Anthropic ra mắt Claude Sonnet 4.5, dẫn đầu SWE-bench Verified và OSWorld

Anthropic đã công bố Claude Sonnet 4.5. Tại thời điểm ra mắt, mô hình này dẫn đầu hai phép đánh giá SWE-bench Verified và OSWorld. Theo hãng, Sonnet 4.5 cũng được cải thiện cho các phiên lập trình kéo dài và cho khả năng sử dụng máy tính.

SWE-bench Verified yêu cầu mô hình sửa lỗi trong các dự án phần mềm thực tế, nên kết quả cao hàm ý khả năng đọc hiểu mã nguồn và đưa ra bản sửa đúng. OSWorld đo năng lực điều khiển máy tính qua giao diện, tức mô hình tự thao tác trên màn hình và ứng dụng thay vì chỉ sinh văn bản.

Với doanh nghiệp, đây là hai nhóm việc tốn nhiều thời gian nhân sự: bảo trì mã nguồn và các tác vụ nhập liệu, thao tác lặp lại trên phần mềm. Nếu mô hình xử lý được chuỗi thao tác dài mà không lệch hướng, đội ngũ kỹ thuật có thể chuyển bớt phần việc cơ học sang công cụ.

Điều cần lưu ý là kết quả trên bảng đánh giá không thay thế được việc kiểm thử trong môi trường thật. Với tác vụ điều khiển máy tính, phạm vi quyền và điểm dừng cần được xác định trước, kèm bước rà soát của con người.

Nguồn: anthropic.com